Browsing by Author "Kaya, Şehmuz"

Now showing 1 - 1 of 1

Identification of Distal Radius Fractures and Evaluation of Conservative Treatment Criteria With the Support of Deep Learning Models.
(2025) Saracalıoğlu, Mehmet; Kaya, Şehmuz
Giriş ve Amaç: Günümüzde yapay zekâ (YZ) ve derin öğrenme teknolojilerinin sağlık alanındaki etkileri giderek artmaktadır. Özellikle ortopedi ve travmatoloji gibi klinik branşlarda, bu teknolojilerin tanı ve tedavi süreçlerini kolaylaştırma potansiyeli dikkat çekmektedir. Distal radius kırıkları, el bileği bölgesinde sık karşılaşılan travmatik yaralanmalar arasında yer almakta olup, doğru tanı ve uygun tedavi yöntemlerinin belirlenmesi büyük önem taşımaktadır. Bu çalışmada, distal radius kırıklarının Frykman sınıflamasına göre gruplandırılması ve kapalı redüksiyon ile alçılama yapılan hastaların radyolojik görüntülerinin konservatif tedavi kriterlerine uygunluğunun derin öğrenme modelleri ile değerlendirilmesi amaçlanmıştır. Yapay zekâ ve derin öğrenme modellerinin, kırık tanısı ve tedavi takibinde klinisyenlere yardımcı olabileceği düşünülmektedir. Çalışma, distal radius kırıklarının tanı ve tedavi süreçlerinde yapay zekâ destekli modellerin potansiyelini ortaya koymayı hedeflemiştir. Materyal ve Metod: Çalışma ortopedi ve travmatoloji polikliniğine başvuran, primer tanısı distal radius kırığı olan ve konservatif tedavi ile takip edilen 328 hastanın 1354 radyolojik görüntüsü üzerinde gerçekleştirilmiştir. Görüntüler Frykman sınıflamasına göre gruplandırılmış ve kırık tipleri ekstra-artiküler (EA), radiokarpal (RC), radio-ulnar (RU) ve her iki ekleme uzanan kırıklar (BJ) olarak sınıflandırılmıştır. Ayrıca, radial inklinasyon, volar eğim, eklem basamaklanması ve dorsal korteks parçalanması gibi konservatif tedavi kriterleri değerlendirilmiştir. Elde ettiğimiz radyografilerin sınıflandırılması ve ölçüm gerektiren parametrelerin değerlendirilmesi 3 ortopedi uzmanı tarafından yapılmıştır. Görüntüler, Roboflow platformu kullanılarak işaretlenmiş ve derin öğrenme modelleri ile analiz edilmiştir. Model performansını değerlendirmek amacıyla doğruluk, duyarlılık ve ortalama doğruluk değeri (mAP50) gibi istatistiksel ölçütler kullanılmıştır. Bulgular: Çalışmada, derin öğrenme modellerinin kırık sınıflandırma ve konservatif tedavi kriterlerini değerlendirme performansı incelenmiştir. Frykman sınıflamasına göre yapılan gruplandırmada, ekstra-artiküler kırıklar %70 oranında doğru tespit edilmiştir. Ancak, radio-karpal ve radio-ulnar kırıklar gibi daha az örneklem içeren gruplarda başarı oranı %30 seviyesinde kalmıştır. Eklem basamaklanmasının değerlendirilmesinde model %75 doğruluk oranı ile başarılı sonuçlar vermiştir. Radial inklinasyon ve volar eğim ölçümlerinde ise modelin doğruluk oranı sırasıyla %92 ve %72 olarak bulunmuştur. Sonuç: Derin öğrenme modelleri, distal radius kırıklarının tanı ve tedavi süreçlerinde klinisyenlere yardımcı olabilecek potansiyele sahiptir. Özellikle kırık sınıflandırması ve konservatif tedavi kriterlerinin değerlendirilmesinde umut verici sonuçlar elde edilmiştir. Ancak, daha büyük veri setleri ve farklı modellemelerle yapılacak çalışmalar, bu teknolojinin klinik kullanıma entegrasyonunu daha da geliştirebilir. Çalışma, yapay zekâ destekli modellerin ortopedi ve travmatoloji alanında kullanımına yönelik literatüre katkı sağlamaktadır.